PM2.5 forecasting under distribution shift: A graph learning approach

We present a new benchmark task for graph-based machine learning, aiming to predict future air quality (PM2.5 concentration) observed by a geographically distributed network of environmental sensors. While prior work has successfully applied Graph Neural Networks (GNNs) on a wide family of spatio-te...

Πλήρης περιγραφή

Λεπτομέρειες βιβλιογραφικής εγγραφής

Κύριοι συγγραφείς:	Yachuan Liu, Jiaqi Ma, Paramveer Dhillon, Qiaozhu Mei
Μορφή:	Artigo
Γλώσσα:	Inglês
Έκδοση:	KeAi Communications Co. Ltd. 2024-01-01
Σειρά:	AI Open
Θέματα:	Spatial–temporal graph neural networks PM2.5 forecasting Distribution shift
Διαθέσιμο Online:	http://www.sciencedirect.com/science/article/pii/S2666651023000220
Ετικέτες:	Προσθήκη ετικέτας Δεν υπάρχουν, Καταχωρήστε ετικέτα πρώτοι!